Hybrid Krill Herd Algorithm with Vortex Search for Global Numerical Optimization

In order to solve the problem that the krill herd(KH)algorithm is premature due to the decrease of population diversity,a new hybrid vortex search KH(VSKH)algorithm has been developed to deal with the global optimization problem.The improvement is that a new hybrid vortex search(HVS)operator is added into the updating process of the krill for the purpose of dealing with optimization problems more efficiently.Using 20 benchmark functions for comparison experiments,the results show that the VSKH algorithm has higher accuracy.

时间敏感网络中的可变长整形队列调整算法

针对异步整形器(ATS)采用固定长度整形队列实现流量整形存在缓存资源利用率低、可调度流平均时延高等问题,提出了一种基于改进磷虾群算法与流量预测的可变长整形队列调整算法。综合考虑流的队列分配规则、有界时延需求及有限缓存资源,定义时间敏感网络中可调度流传输约束。引入混沌映射、反向学习与精英策略并设计自适应位置更新策略以提升传统磷虾群算法的求解能力,利用改进磷虾群算法寻找整形队列可调整上限。基于卷积神经网络与长短期记忆模型(CNN-LSTM)预测流量,根据预测值计算队列长度调整步幅。仿真结果表明,与采用固定长度整形队列的方法相比,所提算法能有效提高可调度流数量,降低调度流(ST)平均时延,并提升网络缓存资源利用率。

基于S变换时频谱和KHA-CNN的换流变故障声纹识别

为准确进行换流变压器故障诊断,保证直流输电可靠性,提出一种基于S变换时频谱和KHA-CNN模式的换流变故障声纹识别方法。利用自适应补充集合经验模态分解算法(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN),实现换流变本体声纹信号与噪声的分离;通过S变换得到时频谱图,实现声纹信号的特征提取;通过磷虾群优化算法(krill herd algorithm,KHA)对卷积神经网络进行超参数寻优,将S时频谱图作为特征输入到KHA-CNN,实现故障诊断。研究结果表明:该方法对于换流变故障具有很好的识别效果,能为换流变故障诊断提供有效参考。

基于VMD-IKHA-DBN的高压输电电缆局部放电模式识别方法

针对当前高压输电电缆局部放电模式识别准确性不高的问题,本文提出了一种基于VMD-IKHA-DBN的高压输电电缆局部放电模式识别方法。首先分析了高压输电电缆局部放电产生原因及类型,并搭建了高压输电电缆局部放电实验平台用于采集原始信号。然后采用变分模态分解算法完成局部放电的信号分解,并引入多尺度排列熵理论构建特征向量样本集合。最后提出一种基于Logistic混沌映射、动态反向学习和高斯变异的组合策略改进的磷虾群算法用于优化深度信念网络超参数,从而得到基于IKHA-DBN的高压输电电缆局部放电模式识别模型。实验结果证明本文所提出的方法识别准确率达到了98.3333%且识别效率较高,实现了高压输电电缆局部放电模式的高效准确识别,在电缆运检工作中可以充分发挥工程效能。

基于改进磷虾群算法的风-光-水-火联合系统优化调度

为了提高可再生能源的利用率,减少弃风弃光量,提出了一种基于改进磷虾群算法的风-光-水-火联合系统优化调度方法。以综合成本最小为目标函数,综合考虑各种约束条件,建立了风-光-水-火联合系统优化调度模型。利用Logistic混沌映射、余弦控制因子和柯西变异等3种策略对磷虾群算法进行改进,提高了其全局搜索性能。采用改进磷虾群算法对风-光-水-火联合系统优化调度模型进行求解。通过算例证明,改进磷虾群算法的迭代次数、收敛时间和求解精度均优于磷虾群算法和PSO算法。

基于组合模型的电力用户用电行为分层分类方法

针对电网企业对电力用户进行精细化管理需求,提出一种组合模型实现对“正常”、“窃电”、“漏电”和“计量异常”4种用电行为的分层分类。首先,利用电压不平衡度等3维特征对高维用电数据进行降维表征,然后提出磷虾算法优化的一类支持向量机KH-OC-SVM(krill herd optimized one-class support vector machine)分类器将特征向量自动划分为“正常”和“异常”2类,最后利用所提基于密度的K-均值(K-means)聚类算法对“异常”数据进行分析,将其自动划分为“窃电”“漏电”和“计量异常”3种异常用电行为。算例结果表明,所提方法能够有效实现电力用户用电行为的自动分类。

基于磷虾群-和声混合算法与响应面法的隧道围岩力学参数反演分析方法研究

为提高围岩力学参数反演分析效率,提出了一种基于磷虾群-和声混合算法与响应面法的反演分析方法。该方法将诱导权重与觅食权重自适应调整的磷虾群算法与微调带宽动态变化的和声搜索算法进行种群分化与融合,提出了磷虾群-和声混合算法以扩大搜索空间和提高收敛速度;利用响应面法构建了反演参数与有限元计算位移值之间的关系从而避免了大量的有限元计算以节省计算时间。将本文方法用于反演青岛地铁4号线大河东站折返线区间断面Z(Y)DK30+665.91的围岩参数,对比分析发现:磷虾群-和声混合算法较之磷虾群算法与和声搜索算法具有较高的搜索效率;其计算位移值与设定位移值基本吻合,平均相对误差为3.78%,验证了本文方法的有效性。

基于短期负荷预测的可再生能源调度优化算法设计

为了提升电力系统的能源综合利用效率,基于区域内的短期负荷进行了可再生能源的调度优化。将可再生能源的调度抽象为非线性、多约束时变优化问题,通过改进的磷虾群算法(CO-KH)对该优化问题进行求解。在CO-KH算法中,引入SEL、CHS两个算子解决了传统磷虾算法在进行高维优化时会陷入局部最优值的问题,有效提升了算法的全局搜索能力。在某地区的微电网示范工程数据集中进行的算法仿真结果表明,CO-KH算法的平均适应度和标准差可达到1×10^(-4)数量级,在迭代效率与算法精度上均明显优于KH和SKH算法。在采用CO-KH算法后,该区域的日运行维护费用下降了3.67%,供电成本下降了1.43%。

基于KH-KELM的鸟类声音分类识别

鸟鸣是鸟类生物学最重要的特征之一,鸟鸣特征参数的选取和鸟鸣分类提高精度是学者们一直研究的方向。基于鸟鸣识别技术提出基于磷虾群优化的核极限学习机(KH-KELM)分类模型:采用Mel频率倒谱系数(MFCC)对上海周边具有代表性的30种鸟类声音信号进行特征提取,提取出的特征参数用极限学习机(ELM)作为基础分类模型进行识别和分类,结合核函数思想优化基础模型并使用磷虾群算法(KHA)对训练参数优选,实现对鸟鸣信号的识别分类。为验证磷虾群算法优化的核极限学习机分类模型的分类效果和分类稳定性,对5、10、20和30种鸟类声音信号进行分类,测试结果表明,与极限学习机(ELM)、反向传播神经网络(BP)、支持向量机(SVM)和核极限学习机(KELM)分类模型对比,并与基于遗传算法(GA)、粒子群算法(PSO)和蚁群算法(ACO)优化的核极限学习机(KELM)模型对比,磷虾群算法优化的核极限学习机分类模型的分类识别率分别为99.65%、97.79%、94.48%和89.21%,具有最好的分类精度、分类稳定性和更强的泛化能力。

基于改进的磷虾群优化算法的汽轮机初压优化研究

以求解汽轮机变工况运行时的最优主蒸汽压力为目标,首先根据汽轮机运行数据,利用回声状态网络(ESNs)建立热耗率预测模型,然后利用改进的磷虾群优化(I-KH)算法的全局搜索能力,在可行的主蒸汽压力范围内对所建预测模型进行主蒸汽压力寻优,并将优化后的汽轮机滑压运行曲线与厂家设计压力曲线进行对比.结果表明:优化后机组各个负荷下对应的热耗率均有所下降;按照优化后的汽轮机滑压运行曲线运行可有效降低机组热耗率.

基于磷虾群算法的汽轮机热耗率建模应用

为了准确建立汽轮机热耗率预测模型,以某热电厂600MW超临界汽轮机组为研究对象,采用基于反向学习自适应的磷虾群算法(OAKH)和快速学习网(FLN)进行综合建模,并将该模型的预测结果与基本快速学习网、粒子群算法、生物地理学优化算法和磷虾群算法优化的快速学习网模型的预测结果进行比较.结果表明:OAKH算法能够更好地优化FLN模型参数,使所建立的FLN汽轮机热耗率预测模型具有更高的预测精度和更强的泛化能力,能够准确、有效地预测热电厂的汽轮机热耗率.

一种改进离散磷虾群的复杂产品装配调度算法

针对复杂产品装配车间调度问题,提出了一种改进的离散磷虾群(IDKH)装配调度算法。以工期最小化为调度目标,通过分析复杂产品装配工艺流程特点,建立了复杂产品装配调度模型。基于排列的编码方式和启发式规则的改进解码方式实现了调度解与种群个体之间的转换,并通过局部搜索和重启操作对标准磷虾群(KH)算法进行了改进,增强了算法的局部开采能力和全局搜索能力。采用正交试验方法分析了不同参数设置对算法性能的影响,确定了IDKH算法的最佳参数组合。基于标准实例对不同算法性能进行了比较,对比结果表明,IDKH装配调度算法在求解质量和稳定性上均优于遗传算法、分布估计算法、引力搜索算法和标准KH算法。

基于改进磷虾群优化的中心极大化KFCM算法在IDS的应用

针对核模糊C-均值算法(kernel fuzzy C-means,KFCM)随机选择初始聚类中心而不能获得全局最优且在聚类中心较近或重合时易产生一致性聚类等问题,提出一种改进算法。改进算法在原目标函数中引入中心极大化约束项来调控簇间分离度,从而避免算法出现一致性聚类结果。利用磷虾群算法对基于新目标函数的KFCM算法进行优化,使算法不再依赖初始聚类中心,提高算法的稳定性。基于距离最大最小原则产生多组较优的聚类中心作为初始磷虾群体并在算法迭代过程中融合一种新的精英保留策略,从而确保算法收敛到全局极值;通过对个体随机扩散活动进行分段式Logistic混沌扰动,提高算法全局寻优能力。使用KDD Cup 99入侵检测数据进行仿真实验表明,改进算法具有更好的检测性能,解决了传统的聚类算法在入侵检测中稳定性差、检测准确率低的问题。

一种基于改进的磷虾群和粒子群的混合算法

针对基本磷虾群(KH)算法在求解高位复杂优化问题时容易陷入局部最优、求解精度低等缺点,提出了一种基于改进的磷虾群和粒子群的混合算法(AIPSOKH).该算法首先对KH算法中的觅食权重和诱导权重采用非线性递减策略,然后将其与惯性权重线性递减的粒子群算法(LDWPSO)混合,采用双子种群同时计算的并行策略进行迭代计算,借鉴自然选择中适者生存的进化机制提升母种群中个体的质量,以此来避免算法陷入局部最优,并提升其求解精度.最后通过8个标准测试函数的对比实验表明,在全局搜索能力和求解精度上与提到的2种算法相比都有着显著优势.

一种自适应惯性权重的改进磷虾群算法

提出一种自适应惯性权重的磷虾群算法(AKH)。通过理论论证,得出在采用线性递减的磷虾群算法求解全局优化问题的迭代过程中,出现大量无效迭代是受到惯性权重的影响;进而提出相关改进策略:在以目标函数作为适应度值的基础上,将种群粒子动态分为适应度值变差粒子和适应度值变优粒子两类,令适应度值变差粒子的惯性权重重置为零,从而消除惯性权重对算法当前迭代的不良影响,适应度值变优粒子的惯性权重保持不变;对算法中的步长缩放因子作非线性递减处理,进一步提升算法的全局探索能力。通过9个具有代表性的测试函数进行实验,将该算法与线性递减的粒子群算法(LPSO)、标准磷虾群算法(KH)和线性递减的磷虾群算法(LKH)作性能对比分析。实验表明,该算法能够有效地减少无效迭代次数,在全局探索性能和收敛稳定性方面有着显著优势。

带有遗憾值约束的4PL网络设计鲁棒优化模型与仿真

第四方物流(4PL)网络运作过程中常因外部环境的干扰而发生中断,使网络安全受到威胁。考虑中断状态下4PL网络鲁棒优化设计问题,目标是构建在任意中断状态发生时仍能以较低的成本为客户提供满意服务的4PL网络。基于β-鲁棒解的定义,建立了带有遗憾值约束的4PL网络设计鲁棒优化模型。针对问题的NP-hard特性,利用磷虾群算法(KHA)对模型进行求解,并与人工鱼群算法(AFSA)进行了比较,通过仿真实例对算法的可行性和有效性进行了验证。仿真结果表明,KHA的性能优于经典的AFSA。通过对不同遗憾值β约束下4PL网络设计最佳方案的比较分析,验证了利用鲁棒优化模型设计4PL网络能够较好地规避风险,并达到最大限度节约成本的目的。

循环流化床锅炉循环倍率计算模型

基于循环流化床(CFB)锅炉热平衡,并结合物料平衡关系,提出了一种"四平衡双循环"迭代计算方法,该方法在计算出循环倍率的同时,也可以求出分离器、炉膛和密相区燃烧份额以及密相区过量空气系数等重要参数.根据某300 MW CFB锅炉现场运行数据建立模型进行计算,并分析了煤质和一次风、二次风配比对循环倍率的影响.结果表明:该计算模型能够准确计算出相关参数,且能合理反映以上因素对CFB锅炉循环倍率的影响,为循环倍率的控制与优化提供了一定的参考.

考虑多参数不确定性的微电网优化运行

针对微电网中多种不确定性因素的影响,提出一种基于云理论的随机框架进行处理,通过使用云滴模拟多不确定性问题,将不确定性的模糊性和随机性的定性分析转化为定量分析。针对1 d中不同时段微电网不确定性因素的变化情况,建立考虑经济性与可靠性的微电网优化调度模型,利用磷虾群算法对模型进行求解,并提出一种基于列维飞行的修正方法以提高算法的局部搜索能力。最后以17节点微电网仿真系统为例进行仿真计算,验证了所提方法的有效性和优越性。

基于DGA特征量优选与改进磷虾群算法优化支持向量机的变压器故障诊断模型

针对单一的特征气体或特征气体比值作为DGA特征量无法全面反映变压器故障分类的问题,文章从混合DGA特征量中优选出一组DGA新特征组合作为输入,建立改进磷虾群(Improved Krill Herd,IKH)算法优化支持向量机(Support Vector Machine,SVM)的变压器故障诊断模型对变压器进行故障诊断。将SVM的c和σ与11种候选特征量进行二进制编码,利用遗传算法结合支持向量机对DGA特征量进行优选,得到一组DGA新特征组合;利用IKH算法对SVM的参数进行优化,同时结合交叉验证原理构建IKH算法优化SVM的变压器故障诊断模型。基于IEC TC 10的诊断结果表明:与DGA全数据、三比值特征量相比,新DGA特征组合的故障诊断准确率分别高出10.14%和30.2%;IKHSVM准确率也要高于标准SVM和GASVM(分别为73.87%、81.13%和86.27%),说明该方法能有效诊断变压器故障。

关于金矿石生物氧化预处理过程ORP预测研究

生物氧化预处理过程能有效地处理高砷高硫,难处理金矿石。细菌与矿浆之间的反应是一个复杂、多相混合的生化反应。预处理过程是一个非线性、多变量和多参数影响的复杂工业过程。氧化还原电位(ORP)是生物氧化预处理过程中体现细菌活性的关键因素,但在工业现场ORP波动频繁,无法准确测量,很难建立ORP的精准数学模型。提出建立基于机器学习的LSSVM预测模型,采用改进的磷虾(KH)算法对它的参数进行优化,以工业现场的实际生产数据为背景进行预测,通过仿真分析并与已有文献中的研究结果进行对比,验证了改进模型具有更好的效果。